【図解】CausalImpact（因果インパクト）とは？効果検証の革新手法を完全解説

Webサイト運営
2026.07.27
この記事は約19分で読めます。
【図解】CausalImpact（因果インパクト）とは？効果検証の革新手法を完全解説

【図解】CausalImpactとは？A/Bテスト不要の施策効果検証手法

Googleが開発した「時系列データにおける因果推論パッケージ」を分かりやすく解説

背景 1. なぜ今「CausalImpact」なのか？

マーケティング施策や新機能リリースの効果を正確に測りたい時、通常はA/Bテストを行います。しかし、以下のようなケースではA/Bテストが実施できません。

  • TV CMやラジオ広告： 地域やユーザーごとに提示・非提示をランダムに分けることができない
  • サイト全面リニューアル / 価格改定： 全ユーザーに対して一斉に適用せざるを得ない
  • 他社競合の動きや季節要因： 前年比や前週比との単純比較では、外部要因（トレンド・季節性）の影響を排除できない

❌ 単純な前後比較（前週比・前年比）

「テレビCM打ったら売上が1.5倍になった！」と思っても、実は「単に世間のブーム」や「季節要因（連休など）」だった可能性を排除できません。

⭕ CausalImpactによる因果推論

「もしCMを打っていなかったら（反事実）、売上はどうなっていたか？」を機械学習で予測し、純粋な増分効果（リフト）だけを抽出します。

仕組み 2. どうやって「もしも」を予測するのか？

CausalImpactは、「施策の影響を受けていない他の時系列データ（コントロール変数）」を活用して、もし施策を行わなかった場合のデータ（これを反事実 / Counterfactual と呼びます）を予測します。

📈 概念チャート：実測値（Solid）vs 反事実予測値（Dashed） ※赤破線：施策を行わなかった場合の予測値
← 施策開始日 実測値 (Actual) 予測値 (Counterfactual)
💡 重要なキーポイント：コントロール変数の条件
「もしも」を高精度に予測するためには、「自社の施策（テレビCM等）の影響は全く受けないが、業界全体のトレンドや季節性（雨の日、連休など）は連動しているデータ」を準備することが成功の肝です。
例：未実施地域の売上データ、競合他社サイトの検索ボリューム、天気データなど。

実装 3. 簡単なコード例 (R / Python)

Googleが提供するパッケージを使えば、わずか数行のコードで分析から可視化まで実行できます。

■ Rコード例

# パッケージの読み込み
library(CausalImpact)

# 期間の設定 (施策前期間 と 施策後期間)
pre.period <- c(1, 70)
post.period <- c(71, 100)

# CausalImpactの実行 (dataの1列目が分析対象, 2列目以降がコントロール変数)
impact <- CausalImpact(data, pre.period, post.period)

# グラフ出力とテキストサマリーの表示
plot(impact)
summary(impact, “report”)

実践 4. CausalImpact 適用判断クイズ

あなたのマーケティング施策で、CausalImpactを正しく使うためのデータ設計に関する問題です。

問： 全国で一斉に「新機能リリースキャンペーン」を行いました。分析対象は「自社アプリのデイリーアクティブユーザー（DAU）」です。コントロール変数（X列）として最も適切なものはどれでしょうか？

▼ 分析シミュレーションの実行（選択後に押してください）

📊 CausalImpact モデル出力プレビュー R summary(impact) シミュレーション

[READY] 選択肢を選んで「検証を実行してみる」をクリックしてください。

コメント

Back to top
タイトルとURLをコピーしました